小波变换与深度学习图像处理

本书结合小波变换和深度学习这两种先进的技术手段，系统地设计多种小波域上的依赖关系，对小波变换域联合建模进行深入的研究，从而显著地提高小波对图像特征的表示能力，并推动小波分析在理论和应用方面的发展。本书首先介绍小波变换的基本原理和相关的数学知识，以及小波变换在图像处理中的应用；其次详细地讲解深度学习相关的理论知识和常用的图像处理方法；然后详细地介绍深度神经网络的基础理论和网络组件，以案例形式介绍PyTorch深度学习框架；最后，详细地介绍深度神经网络常用网络组件和模型，重点介绍和分析ResNet模型、Transformer模型，以及现在主流的深度神经网络模型。本书的内容详尽而全面，为从事数字信号处理和图像处理的工程师、科学家和研究人员提供了实用且深入的技术参考。同样，本书也适合作为高年级本科生和研究生机器视觉、人工智能等相关课程的参考资料。

前言
第1章 图像特征表示概述 1
1.1 图像特征表示方法 1
1.2 图像表示面临的一些问题 7
1.3 图像表示的应用 8参考文献 10
第2章 小波变换理论 15
2.1 传统小波变换 15
2.2 复数小波变换 22
2.3 方向小波变换 27
2.4 小波散射变换与散射网络 30
2.5 本章小结 31参考文献 31
第3章 Copula理论及其参数估计 34
3.1 Copula理论 34
3.2 Copula参数估计 39
3.3 协方差模型 45
3.4 正态分布（高斯分布） 46
3.5 本章小结 47
参考文献 47
第4章 小波域 Copula多维模型纹理检索 48
4.1 概述 48
4.2 小波域依赖关系 49
4.3 小波域 Copula多维模型 51
4.4 纹理图像检索与实验结果分析 58
4.5 本章小结 60
参考文献 61
第5章 基于小波变换的旋转不变图像识别 64
5.1 概述 64
5.2 CSGW 65
5.3 GW/CSGW域旋转不变 Copula模型 66
5.4 实验与分析 72
5.5 本章小结 77
参考文献 79
第6章 多种小波域统计模型及其深度特征融合 82
6.1 概述 82
6.2 背景和动机 84
6.3 MDCM 85
6.4 小波域 MDCM图像表示 87
6.5 多种小波域 MDCM及其深度特征融合 91
6.6 实验与分析 91
6.7 本章小结 100
参考文献 100
第7章 Gabor小波特征学习人脸识别 105
7.1 概述 105
7.2 相关工作 107
7.3 LCMoG-CNN人脸特征提取 108
7.4 LGMoG-LWPZ人脸特征提取 110
7.5 实验与分析 112
7.6 综合分析 118
7.7 本章小结 121
参考文献 122
第8章 Gabor变换域高斯嵌入与深度网络融合人脸识别 126
8.1 概述 126
8.2 相关工作 128
8.3 Gabor小波 130
8.4 线性空间中的高斯嵌入和向量化 131
8.5 LGLG人脸识别 134
8.6 实验与分析 139
8.7 本章小结 149
参考文献 149
第9章 深度神经网络基础 156
9.1 神经网络基础 156
9.2 全连接神经网络 158
9.3 卷积神经网络 169
9.4 本章小结 184
参考文献 184
第10章 PyTorch深度学习框架 185
10.1 PyTorch安装 185
10.2 PyTorch基础 186
10.3广播机制 191
10.4 PyTorch求导功能 192
10.5神经网络设计 194
10.6 图像分类案例 199
10.7 PyTorch-Lightning 212
10.8 本章小结 218
第11章 常见深度神经网络模型 219
11.1 ResNet模型与关键代码分析 219
11.2编码-解码模型 222
11.3 Transformer模型 226
11.4视觉Transformer（ViT）与关键代码分析 237
11.5 RNN模型原理与实现 242
11.6 GAN模型原理与实现 250
11.7本章小结 255
参考文献 256